O combinație hibridă de inteligență artificială și calcul cuantic a reușit, pentru prima dată, să simplifice radical procesul de proiectare a cipurilor, deschizând o nouă eră în producția de semiconductori.
Microcipurile sunt creierul invizibil al lumii moderne, de la smartphone-uri și laptopuri la frigidere inteligente. Fabricarea lor este însă un proces de o complexitate amețitoare. Acum, cercetătorii din Australia au demonstrat o metodă revoluționară care folosește puterea învățării automate cuantice pentru a eficientiza acest proces.
Într-un studiu publicat în revista Advanced Science, oamenii de știință au dezvăluit cum un algoritm cuantic poate modela cu o precizie fără precedent rezistența electrică din interiorul unui cip – un factor crucial care dictează viteza și eficiența acestuia.
Ce este învățarea automată cuantică?
Această tehnologie de avangardă este un hibrid: combină datele din lumea reală, clasică, cu puterea de procesare a calculatoarelor cuantice.
În computerele clasice, informația este stocată în biți, având valoarea 0 sau 1. Calculatoarele cuantice folosesc qubiți. Datorită unor principii contraintuitive precum superpoziția și inseparabilitatea cuantică (entanglement), un qubit poate fi simultan și 0, și 1. Astfel, doi qubiți pot reprezenta în același timp patru stări (00, 01, 10, 11), iar capacitatea de procesare paralelă crește exponențial cu fiecare qubit adăugat.
Învățarea automată cuantică (QML) preia date clasice, le „traduce” în stări cuantice și permite calculatorului cuantic să descopere tipare ascunse, invizibile pentru sistemele convenționale. Ulterior, un sistem clasic interpretează și aplică aceste rezultate.
Inteligența artificială cuantică a creat primul cip
Producția de semiconductori este un balet microscopic de o precizie extremă. Procesul implică suprapunerea și sculptarea a sute de straturi atomice pe o plachetă de siliciu, după cum arată Live Science.
Mai întâi, straturi subțiri de materiale sunt depuse pe plachetă. Apoi, un material fotosensibil numit fotorezist este aplicat pentru a permite modelarea circuitelor prin litografie, unde lumina transferă designul pe suprafața cipului. Gravarea îndepărtează selectiv anumite zone pentru a sculpta structurile, iar implantarea ionică ajustează proprietățile electrice ale fiecărui strat. La final, cipul este încapsulat pentru a putea fi integrat într-un dispozitiv.
O provocare majoră în acest proces este modelarea rezistenței de contact ohmice – o măsură a ușurinței cu care electricitatea circulă între straturile metalice și cele semiconductoare. O rezistență mică înseamnă un cip mai rapid și mai eficient energetic. Modelarea precisă a acestui parametru a fost, până acum, extrem de dificilă.
Inginerii se bazează de obicei pe algoritmi clasici de învățare automată, dar aceștia au dificultăți atunci când lucrează cu seturi de date mici și „zgomotoase”, cum sunt cele din experimentele cu semiconductori. Aici a intervenit soluția cuantică.
Un algoritm de nouă generație
Echipa de cercetători a lucrat cu date experimentale de la 159 de mostre de tranzistoare cu nitrură de galiu (GaN HEMT), cunoscute pentru viteză și eficiență, folosite în dispozitive 5G.
După ce au identificat variabilele cheie, au dezvoltat o nouă arhitectură de învățare automată numită Quantum Kernel-Aligned Regressor (QKAR). Acest sistem convertește datele clasice în stări cuantice, permițând identificarea unor corelații complexe. Pe baza acestor informații, un algoritm clasic construiește un model predictiv ultra-precis pentru a ghida fabricarea.
Când a fost testat pe cinci mostre noi, QKAR a depășit performanța a șapte modele clasice de top, inclusiv rețele neuronale profunde. Modelul cuantic a obținut un rezultat semnificativ mai bun în predicția rezistenței, care pentru modelele tradiționale era de 0,338 ohmi pe milimetru. Deși studiul nu specifică cifra exactă a noului model, îmbunătățirea este considerată un salt major.
Crucial este faptul că algoritmul a fost proiectat pentru a fi compatibil cu hardware-ul cuantic existent, ceea ce înseamnă că ar putea fi implementat în procesele de producție pe măsură ce tehnologia cuantică devine mai matură.
„Aceste descoperiri demonstrează potențialul QML pentru gestionarea eficientă a sarcinilor de regresie în domeniul semiconductorilor”, au scris autorii în studiul citat. Aceştia au adăugat că metoda ar putea fi aplicată în curând în producția reală de cipuri, accelerând evoluția tehnologică.
